כתבה
arXiv cs.CL ·
EviMem: חיפוש רציף לזיכרון קונבסציונלי ארוך-טווח
EviMem: Evidence-Gap-Driven Iterative Retrieval for Long-Term Conversational Memory
EviMem מציגה פרקטיקה חדשה לחיפוש רציף לזיכרון קונבסציונלי ארוך-טווח. הפרקטיקה, המשלבת את IRIS ו-LaceMem, מצליחה לשפר את דיוק השיפוט על שאלות זמניות ומרוב-קפיצה ב-4.5x פחות זמן.
תקציר מקורי באנגליתarXiv:2604.27695v2 Announce Type: replace-cross Abstract: Long-term conversational memory requires retrieving evidence scattered across multiple sessions, yet single-pass retrieval fails on temporal and multi-hop questions. Existing iterative methods refine queries via generated content or document-level signals, but none explicitly diagnoses the evidence gap, namely what is missing from the accumulated retrieval set, leaving query refinement untargeted. We present EviMem, combining IRIS (Iterative Retrieval via Insufficiency Signals), a closed-loop framework that detects evidence gaps through sufficiency evaluation, diagnoses what is missing, and drives targeted query refinement, with LaceMem (Layered Architecture for Conversational Evidence Memory), a coarse-to-fine memory hierarchy supp
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית